[发明专利]一种基于CNN的Wi-Move行为感知方法

说明书

本发明涉及一种基于CNN的Wi‑Move行为感知方法，步骤如下：⑴Wi‑Move的数据预处理；⑵基于CNN的人体行为感知；⑶Wi‑Move输入特征图的构建；⑷Wi‑Move的网络设计；⑸Wi‑Move网络模型的优化。针对特征提取与分类的感知方法中特征提取不全面、只适用于感知较少行为种类的问题，本发明提出了一种基于CNN的Wi‑Move行为感知方法，相比于特征提取与分类的感知方法，在多种类行为感知的场合具有更高的识别准确率。全部CSI子载波的幅值与相位信息由深度CNN网络分层提取，特征信息更加全面。

技术领域

本发明属于计算机技术领域，尤其是一种基于CNN的Wi-Move行为感知方法。

背景技术

随着现代科学技术的快速发展和计算机设备的广泛普及，人机交互技术(HumanComputer Interaction, HCI)已经成为众多研究学者重点探索与关注的对象。所谓人机交互技术，指的是用户通过表情、语音、行 为动作等预先设定好的交互模式，与计算机设备之间产生数据交换，并使其完成指定任务的过程。人体行 为感知作为其中重要的研究领域，对人机交互技术起着至关重要的作用，为人们的生产生活方式也带来了 巨大的改善。

从大的层面上来看，人体行为感知技术主要涉及到了三个领域，分别为基于计算机视觉的人体行为感 知、基于可穿戴式传感器的人体行为感知和基于无线信号的人体行为感知。其中，基于计算机视觉的人体 行为感知技术主要使用摄像机等设备获取图像或视频信息，对人体的肢体部位进行跟踪与分析，并建立该 肢体姿态的参数模型，从而识别出人体的行为状态。然而基于计算机视觉的人体行为感知技术只能应用在 光线充足的环境中，在黑夜或者光照较弱的环境识别准确率会降低。此外，摄像机只能采集视距范围内的信息，而且还可能会侵犯个人的隐私，在一些场合中限制了其应用。基于可穿戴式传感器的人体行为感知 技术要求用户直接穿戴传感器设备，通过测量用户的运动速度、生理信号以及环境变化量等特性获取用户 当前的行为状态，这种技术可以实现细粒度的行为感知，但是需要用户穿戴专门的传感器设备，安装和 携带不便，限制了用户的自由，而且对于一些需要佩戴多个传感器才能实现功能的设备来说，用户可能无 法完成一些特殊的动作，降低了设备的操作性。由于这些技术自身的缺陷，大大影响了人体行为感知技术 的推广，而且随着辅助驾驶、智能制造、智能家居、体感游戏、虚拟现实等技术的快速发展，探索更简便、高效的人体行为感知技术成为了近些年学者们的研究方向。在这样的背景下，微软研究院在2000年提出了 一种使用无线信号进行感知的新技术。

这种基于无线信号的感知技术主要通过分析无线信号在经过人体时产生的变化特征，从而感知所遇到 人体的状态。人们不需要穿戴任何设备，可以在毫无意识的情况下实现非入侵式的检测，而且也不会涉及 到个人隐私的敏感信息。显然，这种方式更便捷、更符合人们的需求，适用的场景也更广泛。特别是随着 WiFi技术的快速发展与成熟，现在的许多家庭中都可以安装高速且稳定的WiFi设备，使用WiFi信号进行感 知，不仅能够更加有效地使用现有无线网络基础设施，无需部署额外的设备，而且无线感知还可以与网络 通信同时进行，提升了无线资源的利用率。

基于无线信号的行为感知技术利用了无线信号在传播过程中存在衰弱、反射、衍射和多径效应的影响， 而人体特定的行为会对无线信号路径产生特定规律的干扰，因此该技术主要通过分析信号的这种规律性变 化来完成行为识别。按照所分析信号的信息内容，该技术又可以分为两类，一类是传统的基于接收信号强 度指示(Received SignalStrength Indication,RSSI)的识别技术，另一类是新兴的基于无线信道状态信息(Channel State Information,CSI)的识别技术。

接收信号强度指示RSSI的获取方式比较多，可以利用目前市场上所有的无线设备进行测量，包括无线 传感器，无线网卡，RFID标签，蓝牙，Zigbee以及智能手机等，在国内外的研究中起步比较早。RSSI信号 的获取方式虽然比较多，但容易受到环境中温度、湿度等诸多因素的影响，而且即使在相同的环境中也不 能保证RSSI与人体行为一一对应，其稳定性和可靠性难以达到用户的要求。